Deep learning-enabled fluorescence imaging for oral cancer margin classification in preclinical models
Notice bibliographique
Résumé
SignificanceOral cancer surgery demands precise margin delineation to ensure complete tumor resection (healthy tissue margin >5 mm) while preserving postoperative functionality. Inadequate margins most frequently occur at the deep surgical margins, where tumors are located beneath the tissue surface; however, current fluorescent optical imaging systems are limited by their inability to quantify subsurface structures. Combining structured light techniques with deep learning may enable intraoperative margin assessment of 3D surgical specimens.AimA deep learning (DL)-enabled spatial frequency domain imaging (SFDI) system is investigated to provide subsurface depth quantification of fluorescent inclusions.ApproachA diffusion theory-based numerical simulation of SFDI was used to generate synthetic images for DL training. ResNet and U-Net convolutional neural networks were developed to predict margin distance (subsurface depth) and fluorophore concentration from fluorescence images and optical property maps. Validation was conducted using in silico SFDI images of composite spherical harmonics, as well as simulated and phantom datasets of patient-derived tongue tumor shapes. Further testing was done in ex vivo animal tissue with fluorescent inclusions.ResultsFor oral cancer optical properties, the U-Net DL model predicted the overall depth, concentration, and closest depth with errors of 1.43±1.84 mm, 2.26±1.63 μg/ml, and 0.33±0.31 mm, respectively, using in silico patient-derived tongue shapes with closest depths below 10 mm. In PpIX fluorescent phantoms of inclusion depths up to 8 mm, the closest subsurface depth was predicted with an error of 0.57±0.38 mm. For ex vivo tissue, the closest distance to the fluorescent inclusions with depths up to 6 mm was predicted with an error of 0.59±0.53 mm.ConclusionsA DL-enabled SFDI system trained with in silico images demonstrates promise in providing margin assessment of oral cancer tumors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».